移動邊緣計算中資源分配和定價方法綜述

鄒璐珊，黃曉雯，楊敬民，鄭藝峰，張光林，張文杰

移動邊緣計算中資源分配和定價方法綜述

鄒璐珊1,2，黃曉雯1,3，楊敬民1,4，鄭藝峰1,2，張光林3，張文杰1,2

（1. 閩南師范大學計算機學院，福建 漳州 363000；2. 閩南師范大學數據科學與智能應用福建省高校重點實驗室，福建 漳州 363000；3. 東華大學信息科學與技術學院，上海 200051；4. 臺北科技大學電子工程系，臺灣 臺北 106344）

移動邊緣計算（mobile edge computing，MEC）通過將計算任務卸載至邊緣服務器，降低網絡負荷，減少傳輸時延，提升用戶服務體驗。因此，MEC受到了廣泛關注，并成為5G的關鍵技術。資源分配作為MEC的主要問題，在提升能量效率、縮短任務時延和節約成本方面具有非常重大的研究意義。首先，介紹了MEC的基本概念、參考架構和技術優勢；然后，從技術層面和經濟層面歸納總結了MEC中最新的資源分配和定價策略；最后，討論了MEC資源分配和定價策略中可能存在的問題與挑戰，并提出了一些可行的解決方案，為后續研究發展提供參考。

移動邊緣計算；資源分配；定價方法；經濟模型；博弈論

0 引言

近年來，伴隨著移動互聯網（mobile internet，MI）以及物聯網（Internet of things，IoT）的不斷發展，自動駕駛、智慧交通等海量應用不斷涌現，移動互聯網用戶的數量急劇增加，進而對網絡質量、傳輸速率、請求反饋時延等網絡服務性能提出更高的要求。中國移動通信有限公司研究院推進組發布的數據顯示，到2030年全球移動通信有限公司數據流量預計將增長約2萬倍[1]。爆炸式的流量增長給網絡帶來了前所未有的壓力，導致網絡堵塞而引發的時延增長，極大地影響了用戶體驗質量（quality of experience，QoE）。

為了應對移動互聯網和物聯網的飛速發展，5G網絡需要同時滿足多樣化業務在時延、能耗、可靠性等方面的要求。另一方面，由于移動設備體積小，計算能力、電池容量和存儲空間有限，無法處理高能耗、高復雜度的計算任務，需要將應用程序部分或全部任務卸載到云計算數據中心的服務器端完成[2]。需要注意的是，將任務遷移至地理位置較遠的云服務器上，不僅會產生大量的數據流，增加網絡的負擔，而且會顯著加大通信的時延，給一些時延敏感型業務（如智能駕駛、增強現實）帶來一定的影響[3-4]。因此，盡管云計算有強大的計算能力，但是距離用戶較遠，導致其傳輸能耗增加，傳輸時延尤甚。為了有效緩解未來網絡面臨的高負荷、高帶寬、高移動性、低時延等方面的挑戰，提出了移動邊緣計算（mobile edge computing，MEC）的概念。

與云計算不同，MEC允許用戶將計算任務卸載到部署在網絡邊緣的服務器上，使業務本地化，大大減少了遠程數據的傳輸量，降低了網絡傳輸時延，在提升用戶服務質量的同時，降低網絡的運營成本（網絡運營商的運營成本包含計算與傳輸過程所消耗的電、設備成本、放置成本和后期維護成本，此處降低的成本通常指消耗的電，即能量）[5-6]。目前，MEC已經成為5G網絡的關鍵技術之一，其能夠有效解決未來網絡的時延、擁塞和容量等問題，受到學術界和產業界的廣泛關注[7]。雖然將計算任務卸載至邊緣服務器上，可以在一定程度上緩解終端用戶對網絡性能服務的需求，但是邊緣服務器的資源是有限的，這使得網絡彈性不足，需要引入資源分配和任務調度機制對邊緣網絡進行統籌管理，從而延長邊緣網絡的壽命。

為了充分利用邊緣網絡的資源，中外學者對于MEC的資源分配問題展開了深入的研究，主要涉及計算任務的卸載問題，在提升能量效率、縮短任務時延和節約成本方面具有非常重大的研究意義。MEC中的資源分配問題主要有：通信資源分配，根據無線系統環境，高效地分配通信資源，優化傳輸效率，降低用戶間的干擾；計算資源分配，根據用戶的任務需求，有效地分配計算資源，最小化任務時延和能耗，提高卸載效率；存儲資源分配，根據用戶的存儲需求，分配對應的存儲資源，避免用戶存儲空間不足引發的設備卡頓，提升用戶QoE。因此，資源分配是解決干擾、降低時延、提高服務性能的核心，如何根據MEC的網絡環境、終端的卸載請求以及資源的情況，合理地進行資源分配是解決干擾問題、減少任務時延的有效途徑之一。當前對MEC資源分配問題的研究已取得很多相關的成果。具體而言，主要從兩個方面進行分析：技術與理論層面和經濟層面。前者以最小化任務時延和能耗為目標，或根據不同應用的需求在兩個優化目標之間權衡，進行資源的分配；后者則利用經濟學的理論機制對資源進行定價和分配，刺激邊緣服務器共享資源，以實現利益最大化。本文從技術層面和經濟層面對MEC的資源分配和定價方法進行詳細的歸納概括，討論和分析了現有方法存在的不足之處，并對現存幾個尚待解決的挑戰進行展望。

1 MEC的相關知識

1.1 MEC的概念和框架

MEC可利用無線接入網絡就近為用戶提供IT所需要的服務和云計算功能，從而創造出一個具備高性能、低時延、大帶寬的服務環境，加速網絡中各項內容、服務、應用的快速下載，讓用戶享有高質量網絡服務體驗。根據歐洲電信標準學會（ETSI）的定義，MEC為移動網邊緣提供IT服務環境和云計算能力，以此減少網絡操作和服務時延，從而提高用戶體驗。根據邊緣計算產業聯盟的定義，邊緣計算是靠近終端的網絡邊緣側，也可以說，移動邊緣計算是運行在移動邊緣網絡的云服務器，可以處理傳統網絡基礎架構所不能處理的任務，如機器對機器/人（machineto machine/man，M2M）網關、控制功能、智能視頻加速等。MEC開放平臺融合了網絡、計算、存儲、應用核心能力，可就近提供邊緣智能服務，以滿足行業數字化在敏捷連接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。MEC架構如圖1所示，邊緣計算服務器比云服務器更接近終端用戶。因此，盡管邊緣計算服務器的計算能力低于云服務器，但仍然為終端用戶提供更好的QoE和更低的時延[8]。一般而言，邊緣計算的結構可分為前端、近端和遠端3個部分[9-10]，以下對這3部分詳細地描述。

圖1 MEC架構

前端：終端設備（如傳感器、執行器等）被部署在邊緣計算結構的前端。前端環境可為用戶提供更多的交互能力和更好的響應能力。邊緣計算憑借大量鄰近終端設備提供的計算能力，可為一些應用提供實時服務。然而，由于終端用戶設備的容量有限，大多數要求在前端環境下均無法得到滿足。因此，在這些情況下，終端設備必須將資源需求轉發給服務器。

近端：部署在近端環境中的網關支持網絡中的大多數流量流。邊緣服務器可以響應許多資源需求，例如實時數據處理、數據緩存和計算卸載。在邊緣計算中，大部分的數據計算和存儲都會遷移到這個近端環境中。這樣，用戶就可以在數據計算和存儲方面獲得更好的性能。

遠端：由于云服務器部署在離終端設備較遠的地方，傳輸時延在網絡中就變得十分明顯。盡管如此，遠端環境中的云服務器仍可提供更多的計算能力和數據存儲。例如，云服務器可以提供海量并行數據處理、大數據挖掘、大數據管理、機器學習等。

1.2 MEC 3層邏輯實體

MEC服務平臺3層邏輯實體如圖2所示，包括MEC基礎設施管理系統、MEC應用平臺管理系統和應用管理系統[11]。

圖2 MEC服務平臺3層邏輯實體

MEC基礎設施管理系統包括MEC硬件資源和MEC虛擬層。其中，硬件資源主要支持底層的運算、存儲及控制功能，而虛擬層則主要完成運算處理、信息緩存、虛擬交換及象形的管理功能。

MEC應用平臺管理系統由MEC虛擬管理器和MEC應用平臺服務組成。其中，MEC虛擬管理器為應用創造高效靈活、多用戶的服務環境，即基礎設施即服務（infrastructure as a service，IaaS）功能。MEC應用平臺服務則承載了對外接口服務功能，為上層運行于MEC服務器的應用提供了若干中間服務，例如，涵蓋通信服務（communication service，CS）和服務注冊（service registry，SR）的基礎設施服務（infrastructure service，IS）、無線電網絡信息服務（radio network information services，RNIS）、流量卸載功能（traffic offload function，TOF）等。本層具有相應的底層數據包解析、無線信息交互、內容路由選擇、上層應用注冊管理等基本功能。

應用管理系統，即MEC應用層，是基于虛擬機（virtual machine，VM）應用構架，將MEC功能組件集成到虛擬應用中，且通過標準的組裝接口開放，進而完成無線網絡的能力開放與調度。虛擬設備的應用程序運行于IaaS上的虛擬機映像，各虛擬機與MEC應用平臺間保持相同的應用程序接口（application programming interface，API）。

1.3 MEC的優點

MEC的研究，對于未來網絡的發展有著重要的實際意義，其優點有以下3個。

（1）低時延

邊緣計算實時性高、周期性短的數據分析能更好地支持對時延要求高的計算任務的處理與執行。MEC通過將計算任務“下沉”至更靠近用戶的無線接入網側，在本地的MEC服務器上執行。由于與用戶的距離更近，用戶請求可以及時處理，從而大大降低通信時延[12]。此外，MEC的低時延特性在智能交通系統、人臉識別、視頻編輯、智慧城市等對時延具有極高需求的新興應用中優勢尤其顯著。以智能交通系統為例，在傳統情況下，高額的傳感成本極大地限制了智能交通系統，使其不能全面、高效地收集交通系統中的種種信息，無法動態和精準地反映交通系統的狀態；而且各系統采集信息不能互通，不同設備商的系統間或設備間接口不開放，信息難以協調，獨立系統的判決結果不具備綜合性和全局性。在引入MEC之后，可通過MEC低時延的特性以及“智能分布式”控制網絡平衡技術，對路口和區域的車流情況、道路交通流的飽和情況、車輛通行速度、總時延和車輛排隊長度等，進行區域管理和交通流綠波控制，從而實現智能交通系統[13]。

（2）緩解流量壓力

MEC在進行云端傳輸數據時，先通過邊緣服務器進行一部分簡單的數據預處理，減少數據帶寬的消耗；然后，將提煉出來的精簡數據傳輸到云端，減輕云端的壓力，從而緩解流量壓力。以視頻編輯為例，在視頻傳輸中，對于某些點擊率較高的視頻，如天氣預報等，通常以直播的方式發布。這種高并發的發布方式使得在相同時間段將會有大量用戶接入并且請求同一資源，一般的帶寬和鏈路狀態難以滿足這種需求。借助部署在網絡邊緣的MEC服務器，能夠將這類視頻直播實時緩存在更靠近用戶的地方，在本地為用戶進行請求反饋，進而減小發生鏈路擁塞和網絡故障的可能性。

（3）信息安全

網絡邊緣數據往往涉及一些個人隱私信息，如家用攝像機緩存的視頻等，傳統的云服務模式需要將這些數據信息上傳至云端，這使用戶隱私承受更大的泄露風險。MEC模式可以在靠近用戶的邊緣節點直接對數據源進行管理、歸檔、分析，以過濾掉隱私數據，實現對一些敏感數據的保護與隔離。以人臉識別為例，不同于傳統的視頻監控，“MEC+視頻監控”模式能夠對視頻圖像信息進行預處理，彌補了云服務響應不及時和能量消耗高等問題，并且在用戶隱私方面滿足了用戶隱私信息安全保護等方面的訴求以及安防行業實時性的需求。邊緣計算的數據可使用加密算法后，再打包傳回云端，同時，MEC可以改進部分公網易破解、個人隱私容易被竊取等缺陷，極大地提升整個行業的性能和信息安全。

2 MEC中的資源分配問題

目前，MEC正處于高速發展階段，許多問題仍然需要進一步深入研究。資源分配作為MEC的一大關鍵問題，引起了廣大研究者的關注，主要體現在如何有效地分配MEC服務器上的空閑資源，以提高網絡的整體性能。一方面，利用資源分配可以通過降低計算與傳輸消耗的能量，進而達到降低運營商成本的目的；另一方面，用戶端的資源（計算資源、通信資源、存儲資源等）也是有限的，并且用戶對網速（網絡的數據傳輸速率）也有相應的要求。對不同場景進行合理的資源分配，可以在確保用戶QoE（例如，降低時延，提高網絡數據傳輸速率避免視頻播放卡頓；降低計算、傳輸和存儲的能量消耗，延長終端設備的待機時間）的前提下最小化運營商的成本。MEC中的資源分配問題主要有：通信資源分配，根據無線系統環境，高效地分配通信資源，優化傳輸效率，降低用戶間的干擾；計算資源分配，根據用戶的任務需求，有效地分配計算資源，最小化任務時延和能耗，提高卸載效率；存儲資源分配，根據用戶的存儲需求，分配對應的存儲資源，避免用戶存儲空間不足引發的設備卡頓，提升用戶QoE。

為了最大限度地利用有限的資源，最小化任務時延/能量消耗，MEC系統需要根據網絡環境、終端的卸載請求以及資源的情況，合理地進行資源分配，MEC資源分配如圖3所示。用戶終端將計算任務提交至MEC系統中的本地調度程序，調度程序檢查是否有計算節點能夠提供足夠的資源。如果存在可處理應用程序的計算節點，則會在該節點上分配資源，最后在該節點上處理應用程序，并將處理結果發回給用戶；若不存在該計算節點，則調度應用程序給遠端云服務器。

圖3 MEC資源分配

計算資源與通信資源的綜合管理是MEC系統設計中必不可少的部分。針對不同MEC系統的設計目標，需要采用不同的策略解決資源管理問題。當前對MEC資源分配方法的研究大致從兩個方面進行：技術層面和經濟層面。其中，技術層面主要涉及將計算任務卸載到哪個邊緣節點，致力于平衡通信資源和計算資源，以提升能量效率、縮短任務時延和節約成本；而經濟層面不僅需要考慮如何分配資源，更需要考慮市場競爭性。用戶不僅需要評估資源出價，更需要考慮向哪個服務器購買資源，以使自身效益最大化。因此，經濟層面的資源分配問題計算復雜度大，綜合管理更加復雜。對此，研究者一般采用動態分布式算法、拍賣、博弈等經濟分析方法求解。

3 MEC技術層面的資源分配方法

按照MEC系統規模，本節將MEC應用場景分為單用戶系統、多用戶系統和異構服務器系統，并對這3種場景在資源分配上的研究現狀進行歸納總結。

3.1 單用戶場景下的資源分配方法

單用戶MEC系統一般指一個邊緣服務器為單用戶提供服務的場景，單用戶MEC系統如圖4所示。

圖4 單用戶MEC系統

在單用戶MEC系統中，用戶不但占有邊緣服務器的全部計算資源，且無須考慮用戶之間通信資源的競爭，是一種比較簡單的場景。目前，國內外已有一些研究人員對單用戶MEC系統的資源分配問題進行研究。文獻[14]在不考慮網絡狀態、頻繁刷新內容進而造成高能量消耗的背景下，提出了基于馬爾可夫決策過程的能耗優化模型。文獻[15]考慮在一個具有能量收集裝置的綠色MEC場景中，提出了基于李雅普諾夫優化的動態計算卸載（Lyapunov optimization based dynamic computing offloading，LODCO）算法。相比基準貪婪策略，該算法能明顯降低執行成本（執行時延與任務失敗時所消耗的能量），且在一定的時延約束下減少計算失敗概率。文獻[16]采用馬爾可夫決策方法處理單用戶MEC系統的計算任務調度問題。文獻[17]同時考慮計算時延與通信時延，并對這兩種時延進行建模，提出了一個網絡時延估計決策分析，以找出網絡時延估計誤差對作業完成時間的影響。為研究MEC服務器自身的安全性問題，文獻[18]利用空間泊松點過程刻畫多個潛在竊聽者場景，在給定安全傳輸條件約束下追求最小化文件傳輸的時延與能耗，得到了最優碼本速率設計和計算任務分配方案。文獻[19]研究了綠色MEC在移動客戶端QoE和回傳流量的聯合優化方面的啟用。作者設計了一種具有自調整參數化機制的基于貪婪的算法（greedy-based algorithm with self-adjusting parameterization mechanism，GASPM）解決公式化的問題。結果表明，啟用綠色MEC的動態自適應視頻流系統不僅有助于降低電網能耗，還能明顯減少回傳流量并提高客戶端的平均視頻比特率。單用戶MEC系統結構是規模最小、最簡單的系統模型，在網絡環境中，多個用戶并存才是常態。因此，將簡單的單用戶MEC系統擴展到多用戶場景中研究資源分配問題是十分有必要的。

3.2 多用戶場景下的資源分配方法

多用戶的MEC系統一般指一個邊緣服務器為多個終端用戶提供服務的系統模型，多用戶MEC系統如圖5所示。

在多用戶的MEC場景中，系統需要依據有限的資源協調用戶之間的競爭，制定資源分配和計算卸載策略，滿足大量用戶的任務請求。文獻[20]以提高邊緣服務器的能量使用效率（power usage efficiency，PUE）、實現綠色計算為目標，提出了基于設備間通信（device-to-device communication，D2DC）技術和能量收集（energy harvesting，EH）技術的綠色任務卸載框架，通過李雅普諾夫技術優化在線任務卸載和資源分配算法。文獻[21]提出了云計算與邊緣計算結合模型結構（architecture model combines cloud computing and edge computing，CENAM）的新型3層網絡架構模型，降低邊緣層與云計算中心的通信時延、邊緣節點間的通信時延和邊緣層的計算時延。文獻[22]旨在最大化長期效用性能，同時考慮降低計算能耗以及時延，提出了一種運用深度確定性策略梯度（depth deterministic policy gradient，DDPG）和基于候選網絡優化邊緣計算優化卸載（edge computing optimization offloading，ECOO）算法的新型學習算法，用于解決隨機任務卸載問題。文獻[23]采用遺傳算法和基于分割時間槽的資源分配算法搜索最優決策，以減少云端通信流量。文獻[24]提供了一種新穎的MEC代理擴展和實施緩存基礎設施，以實現高效可靠的內容分發。代理將下載會話切換到替代內容分發網絡（content delivery network，CDN）以確保QoE速率，從而實現基于實時連接統計的CDN動態選擇。文獻[25]考慮Wi-Fi和蜂窩網絡覆蓋的場景，將線性規劃與交替技術相結合，有效地解決任務分流決策的非凸問題，該方案能夠極大地提高系統性能。

圖5 多用戶MEC系統

上述研究成果忽略異構MEC系統的資源分配問題，特別是在5G場景中，相同區域內存在大量的邊緣設備，以及若干數量的邊緣服務器。這些邊緣服務器的運行方式、功能以及結構往往不盡相同，如果沒有合理的資源分配機制將極大地影響用戶的QoS。因此，研究異構MEC系統的資源分配問題已成為研究熱點之一。

3.3 異構服務器場景下的資源分配方法

異構服務器MEC系統如圖6所示，包括多個邊緣服務器，這為設計高效的資源分配方案帶來諸多挑戰，包括服務器的選擇與協作、計算遷移等。

圖6 異構服務器MEC系統

伴隨著車聯網行業的迅猛發展，車聯網應用場景對任務時延有著很高的要求。文獻[26]提出了一種基于車聯網多跳傳輸的移動邊緣計算卸載策略，通過預測車輛行駛軌跡，保證在一定時延條件下完成任務卸載。文獻[27]運用最佳停止理論（optimal stopping theory，OST）原則解決數據質量感知卸載順序的決策問題，通過對比眾多OST隨機模型，該方法能夠極大地減少車聯網分析卸載任務優先級調度的需求。文獻[28]提出了改進min-min算法TPMM（task priority-based min-min）。該算法能在一定時延約束的條件下，根據用戶任務的優先級、服務器調度次數制定資源匹配方案。文獻[29]考慮時間敏感任務的QoE要求，研究了無人機輔助的多任務MEC網絡，其中，無人機為物聯網設備提供協作卸載服務。結果表明，協同計算和緩存卸載可以有效降低物聯網設備的總能耗，同時滿足不同類型任務的QoE需求。在文獻[30]中，作者開發了兩種機器學習模型，并納入MEC應用程序，用于流行視頻預測和無線電信道質量預測。實驗證明作者構建的模型在MEC體系中能夠對提高用戶的QoE產生效果。除此之外，深度強化學習在優化計算任務卸載策略方面成效顯著。文獻[31]提出了基于深度強化學習的計算訪問點（computing access point，CAP）輔助計算的策略，通過將一些計算任務卸載到CAP降低系統的時延和能耗。文獻[32]則研究了具有軟時間窗口的MEC系統的卸載策略，并設計了遺傳學和生物地理學集成算法處理多個同時執行的任務的卸載問題。

3.4 技術層面資源分配方法總結

MEC中技術層面資源分配方法歸類總結見表1。在MEC中計算卸載分為3種情況：本地執行（計算任務完全在本地進行）、完全卸載（計算任務全部由邊緣服務器負責）和部分卸載（計算任務一部分在本地執行一部分上傳至邊緣服務器執行）。本地卸載的能量消耗主要來源于CPU的功耗，而上傳至邊緣服務器進行計算卸載的能量消耗則由傳輸能耗與邊緣服務器計算能耗組成。相似地，本地卸載的時延通常指CPU完成計算卸載所消耗的時間，上傳到邊緣服務器進行計算卸載的時延則包括傳輸時延與計算時延。除此之外，以QoE為優化目標的研究成果通常以量化的方式表達用戶對當前網絡的體驗和感受，從而反映當前業務情況與終端用戶期望之間的差距。上述列舉的研究成果主要從網絡環境、技術方面研究MEC的資源分配問題，旨在最小化能量消耗和任務執行時延，或找到這兩個度量之間的權衡，但是都忽略了經濟層面的分析。除了優化系統的能耗與時延以外，經濟模型能夠最大限度地利用邊緣網絡的資源使得系統利潤最大化。

表1 MEC中技術層面資源分配方法歸類總結

4 MEC在經濟層面的資源分配與定價方法

在一個由多個資源提供者、大量多樣的應用和用戶需求組成的MEC系統中，很多的資源所有者可能不會有動力與MEC供應商合作，因此，需要設計適當的激勵機制進行資源的分配和定價，以刺激資源所有者最大限度地共享其通信和計算能力，實現最高利潤。此外，不同的邊緣節點有不同的管理模式、業務策略和服務定價。因此，從經濟層面上對MEC資源分配和定價問題進行研究是很有必要的。雖然在云計算領域已提出很多基于市場的資源分配機制，由于MEC服務器資源有限性和分布式的特點，為云計算系統設計的資源分配和定價機制并不能直接適用于MEC系統。最近，國內外學者開始為MEC系統設計基于市場的資源分配和定價策略，主要基于博弈論/拍賣（auction-based）和基于市場定價等經濟模型對資源交易過程進行建模，經濟與定價模型如圖7所示。

圖7 經濟與定價模型

4.1 基于市場定價的資源分配方案

定價常用于研究商品的價格制定和變更策略。定價策略框架如圖8所示，目前用于MEC系統的定價策略主要包括基于成本的定價（cost-based pricing）、歧視定價（differential pricing）、利潤最大化定價（profit maximization pricing）以及拉姆齊定價（ramsey pricing）。

圖8 定價策略框架

（1）基于成本的定價

基于成本的定價是最常見、最簡單的定價策略，通過計算服務的總成本，再加上成本的百分比作為“期望利潤”確定服務的價格[33]。采用這種定價策略能夠保證服務提供者（即邊緣服務器）至少不虧損，并且基于成本的定價具有易于確定價格的優點，適用于比較簡單的市場結構。為了在保留用戶體驗的同時最小化運營商成本，在車聯網環境中，文獻[34]結合部分卸載決策和邊緣服務器的定價對系統進行成本優化。文獻[35]對資源進行基于成本的統一定價，并通過仿真實驗表明在統一定價下的最大價格就是資源供應商獲得最大利潤的最優價格。文獻[36-38]亦得出最優價格總是接近最大價格結論。因此，這種定價策略容易使資源供應商為獲得最大利潤而不斷提高資源的價格。基于成本的定價策略易于實現，但是沒有考慮其他供應商的策略、買家的價格感知能力和支付意愿等市場外部因素，只適用于簡單的市場機制。

（2）歧視定價

歧視定價又稱為差別定價。在一個資源市場中，依據終端用戶不同的需求和購買意愿，資源供應商可以向他們收取不同的價格[33]。歧視定價本質上是將用戶剩余（即用戶愿意支付的總金額與用戶實際支付的總金額間的差額）轉移到資源供應商，這種定價模型能夠使資源供應商利潤最大化。文獻[35]結合區塊鏈技術構建基于云挖掘機制的算力交易模型，設計一種低梯度迭代算法用于完成邊緣服務器與“礦工”之間算力交易的利潤最大化。同樣在區塊鏈場景中，文獻[36]采用兩階段的stackelberg博弈實現不同礦工的利潤最大化和各自效用最大化。文獻[37]提出基于定價策略的分布式方法用以管理用戶的計算卸載任務，建立stackelberg博弈模型分析邊緣服務器與用戶間的交互。服務器根據有限的計算能力設置定價以最大化收益，用戶根據卸載決策以最小化成本。文獻[38]以資源總需求、競爭環境、對象屬性和對象需求等價格導向因素為基石，制定一致性定價與彈性定價這兩種定價方案，運用stackelberg博弈模型解決了資源需求以及資源價格只能靜態定價的問題，并通過改進的強化學習狀態動作獎勵狀態動作（state action reward state action，SARASA）算法獲得了最優解。歧視定價模型雖然能保證資源供應商的利潤，但是讓不同類型的終端用戶支付不同的價格是不公平的。

（3）利潤最大化定價

利潤最大化定價是一個確認資源供應商的資源量與其相應的價格能夠產生最高利潤的過程[30]。利潤最大化定價如圖9所示，假設存在一個資源供應商需要確定其資源量，資源供應商的利潤可表示為：

圖9 利潤最大化定價

通常資源量與資源價格的關系曲線可表示為：

其中，、為適當的參數。基于市場需求曲線，當=*時，可以通過最優資源量找到最優價格：

文獻[39]提出一個基于市場的框架有效地將容量受限邊緣節點的資源分配給多個競爭服務。通過引入分布式算法得出了市場需求曲線，對地理上分布的邊緣節點進行合理定價，提出一個市場均衡和計算均衡的解決方案，并進一步證明了均衡分配是帕累托最優的，且滿足期望的公平性，包括共享激勵、比例性和無嫉妒性。然而，在實際市場中，由于用戶需求是隨機的，確定需求曲線是比較困難的。另外，利潤最大化定價模型在確定資源數量和資源價格時，往往會忽略市場競爭問題。

（4）拉姆齊定價

拉姆齊定價指針對不同市場對商品的不同需求采用不同的定價策略[33]。與歧視定價的不同之處在于，拉姆齊定價是在保證一定的資源供應商利潤的前提下最大化社會福利。文獻[40]提出一種可以通過任務卸載降低成本的效用函數，經過實驗證實該效用函數可以達到均衡，且該定價策略能夠在滿足個人均衡的同時達到社會均衡。文獻[41]提出一種基于學習的定價機制，在達到均衡時，通過接入點（access point，AP）誘導自利用戶選擇正確的優先級類別以達到社會均衡。拉齊姆定價模型局限性在于，通常考慮的市場是一個無彈性需求的市場。但是，在現實的市場中，用戶的需求會根據資源的價格以及其他因素的變化而發生改變，資源供應商無法利用無限抬高價格獲取相應的利潤。

4.2 基于博弈理論的資源分配方案

博弈論是研究關于激勵結構間的相互作用（即包含相互依存情況中的理性行為）的學科，是現代數學的一個分支。在邊緣計算環境下，參與者可以是邊緣服務器或者終端用戶。本節將介紹博弈論模型在MEC資源分配中的應用。

（1）非合作博弈（non-cooperative game）

瀘州市政府基于當地資源優勢特點，設立了國家級高新技術產業開發區、長江經濟開發區、中國白酒金三角酒業園區和瀘州航空航天產業園四大園區。2017年四大園區整體收入達2248億元，2018年預計突破2600億元。

圖10 非合作博弈框架

文獻[43]在確保用戶計算任務時延需求的條件下，將博弈模型轉換為勢博弈模型，構造了基于有限改進性質的分布式博弈方法，用于尋找納什均衡解，從而降低移動設備端的能耗。文獻[44]通過對基站群的通信資源、計算資源以及任務隊列進行建模，將任務卸載過程的能源成本進行量化。利用潛在博弈模型解決分布式任務卸載的問題，結果表明，所提模型可以收斂到納什均衡，并且同其他算法相比，該算法可以在時延受限下有效降低系統能耗。文獻[45]提出基于博弈的云資源和計算資源聯合分配方案（joint resource allocation scheme based on evolutionary game，JRA-EG），通過對這兩種資源的分配實現最小化移動終端任務卸載的代價。作者提出基于復制動態的集中式算法和基于Q-learning的分布式算法，實驗證實兩種算法均能收斂至均衡解。文獻[46]提出云邊協作任務遷移策略，借此充分利用MEC服務器及云服務器的資源。作者還提出了一種運用博弈論的兩階段任務遷移算法降低系統開銷。文獻[47]則重點考慮移動終端設備的時延問題，設計了一個非合作博弈模型并證實了納什均衡的存在。該算法運用拉格朗日乘子法以及迭代法，在資源受限的情況下最小化計算任務的時延。

上述文獻所考慮的非合作博弈模型建立在參與者同時公布自身定價策略的前提下，然而這在實際市場中并不總是成立。在主從博弈（stackelberg game）中參與者可按照事先確定的順序公布自己的策略，因此可以考慮根據主從博弈模型的資源分配方案。

（2）主從博弈

圖11 stackelberg博弈模型

文獻[49]考慮一個邊緣服務器和多個終端用戶的MEC場景，設計一個以終端用戶作為領導者、邊緣服務器充當跟隨者的stackelberg博弈模型。在車聯網場景中，文獻[50]將優化目標放在時延上，提出基于stackelberg博弈模型的資源分配框架，并利用分布式迭代算法對邊緣節點的定價問題和邊緣服務器的資源策略進行分析。文獻[51]則針對多邊緣服務器與多用戶的異構MEC系統，構建了“多主多從”的stackelberg博弈模型，證明了stackelberg平衡的存在，并通過設計最佳需求設計算法（optimal demand computation algorithm，ODCA）尋找終端用戶的最佳資源訴求策略和均衡價格，但是沒有考慮動態場景。

單純運用stackelberg博弈模型往往忽略參與者并非完全理性這一事實，演化博弈模型則將這一問題考慮在內。

（3）演化博弈（evolutionary game）

圖12 演化博弈模型

文獻[52]考慮在多用戶多服務器場景下計算和通信資源的分配問題，利用演化博弈對移動用戶的動態行為進行建模，建立確定性和隨機性模型，并通過設計進化算法得到進化均衡解。文獻[53]將多用戶卸載問題看作一個演化博弈模型，經過分析策略選擇過程，達到演化均衡。之后結合實際應用場景，設計基于強化學習的進化博弈卸載策略（evolutionary game theory based on Q-learning，EGT-QL），在能耗方面達到穩定收斂。文獻[54]考慮多個邊緣云與中央云協作的異構MEC系統，根據去中心化的思想，提出了基于演化博弈的分散迭代算法。通過模擬終端用戶的動態行為，在確保終端用戶QoE的前提下，實現運營成本最小化。同樣在3層異構MEC系統下，文獻[55]綜合考慮MEC系統的能耗、時延以及經濟成本，提出人口進化的集中算法，該算法能夠快速實現均衡。為研究邊緣服務器的地理位置對MEC系統性能的影響，文獻[56]提出了基于概率演化博弈框架的動態卸載策略。文獻[57]提出一種創新的均值場進化方法，該方法考慮了信道干擾、平均時延、邊緣服務器間的平衡和公平性，但是沒有考慮資源十分有限的情況。

4.3 基于拍賣理論的資源分配方案

拍賣經濟理論最初歸屬于經濟理科學與運籌學，是最久遠的價格發現機制之一。拍賣理論也是研究MEC資源分配和定價的有效方法。

（1）雙重拍賣（double auction）

以橫軸表示邊緣服務器所提供的資源數量，縱軸表示用戶給出的定價，則雙重拍賣資源要價的供需曲線如圖13所示，當需求和供給曲線相交于一點時，達到了市場均衡，這一點被稱作市場均衡點。雙重拍賣具有拍賣參與者無損失、拍賣人得到收益、拍賣雙方如實提供定價與要價以及群體收益最優的特點。

圖13 雙重拍賣資源要價的供需曲線

在車聯網環境中，文獻[58]提出一種基于交通流量預判測的車聯網邊緣計算遷移方案。該方案采用McAfee拍賣算法解決車輛與邊緣服務器之間的資源雙重拍賣問題，旨在提高車輛的計算遷移率同時，改善邊緣服務器的資源利用率。文獻[59]針對工業物聯網移動設備和邊緣服務器的適配問題提出兩種雙重拍賣方案，分別為盈虧平衡雙重拍賣（break-even double auction，BDA）和動態定價雙重拍賣（dynamic pricing double auction，DPDA）。這兩種方案都能夠滿足MEC的經濟特性，有效提高MEC系統資源分配效率。文獻[60]提出了一種基于時延保證的資源雙重拍賣算法（latency guaranteed based resource double auction，LGRDA），在保證計算任務時延約束的前提下，該算法能高效地將邊緣服務器中的資源分配給終端用戶，從而最大化邊緣服務器利潤。文獻[61]為解決長距離傳輸對時延敏感任務（如自動駕駛、工業控制等）的資源需求問題，提出雙邊拍賣方案，并運用經驗加權吸引力（experience weighted attraction，EWA）算法加快不透明環境中每個參與者的學習過程。

雙重拍賣要求拍賣雙方如實提供定價及要價，并且在整個交易過程中，價格信息是公開的。

（2）最優拍賣（optimal auction）

最優拍賣參與的買家是獨立且理性的，賣家無法干預買家參與競價與否以及如何出價。在拍賣機制中的收益期望可表示為：

其中，表示分配函數，表示計價函數，0表示商品的正常價格，表示買家對商品的估價。最優拍賣機制要解決的問題就是設計具體的和，實現最大化收益期望。

文獻[62]兼顧終端用戶的任務處理時延以及系統能耗，運用深度神經網絡控制終端設備參與拍賣活動。深度神經網絡能夠保證拍賣結果的公平性，與隨機拍賣相比該拍賣機制能夠將利潤提高至少50%。文獻[63]提出基于深度學習的最佳拍賣方案以解決移動區塊鏈網絡中邊緣服務器資源的分配問題。考慮任務獲取和傳輸的成本，文獻[64]為最大化邊緣服務器的預期收入，提出基于最優拍賣的任務緩存機制。經過仿真實驗，該機制性能很好，但是受各種模型的參數影響大。

最優拍賣需要滿足兩個假設：每個買家都要有參與拍賣的意愿；買家會依照真實的價值估價出價。

（3）組合拍賣（combinatorial auction）

組合拍賣也是典型的背包問題，它不同于傳統拍賣機制的地方在于，其拍賣目標為多種商品的組合[65]，組合拍賣框架如圖14所示。MEC中的資源分配常常設計多種資源，包括計算資源、通信資源和存儲資源等，當要進行多種資源的分配和定價時，組合拍賣的效率比傳統拍賣方式更高。

文獻[66]提出由層次分析法（analytic hierarchy process，AHP）排序、任務投標、獲勝者決策3個部分組合而成的多輪順序組合拍賣機制。該機制適用于時延與容量受限，最大化服務節點效益的車載網絡環境。

在組合拍賣中，勝利者（即拍賣的最后中標者）如何確定是組合拍賣的一大挑戰，該問題為非確定性多項式（non-deterministic polynomial，NP）難題，在當前的研究中依舊很熱門。

圖14 組合拍賣框架

5 問題與挑戰

基于經濟分析的資源分配和定價方法比較及使用場景與局限性見表2，盡管基于經濟分析的資源分配和定價方法已經開始被研究，國內外研究人員針對該領域方向已取得一些研究成果，但以下幾個關鍵問題到目前為止仍未得到有效解決。

（1）用戶移動性和任務隨機性

用戶高度移動是MEC的一大特點，為了確保正在執行的應用程序不會中斷，任務必須能夠遷移到另一個節點。當前大部分經濟模型比較適用于靜態環境，因此當用戶移動時，依賴于中心實體的分配和定價策略就不是很適用。此外，用戶不是時刻都有任務需要處理，它們的計算任務是隨機到達的。因此系統中活躍用戶的數目會隨著新任務到達和舊任務完成發生變化。用戶移動性和任務隨機性極大提升了系統資源分配和定價的難度。利用馬爾可夫近似技術，可通過設計可逆且收斂的馬爾可夫鏈將用戶的移動性問題映射為馬爾可夫鏈的狀態轉移問題。考慮到任務隨機性，由于MEC系統的網絡拓撲是隨時間發生變化的，該馬爾可夫鏈的實現算法應該支持分布式實現。

（2）需求不確定性和信息不對稱性

由于用戶的移動性和任務的隨機性，接入點無法事先知道用戶的服務需求，導致需求不確定性。此外，在基于基礎設施的網絡環境中，代理和無線接入點與用戶之間的距離不同，掌握的信息也是不一樣的。接入點可能不愿意將私有信息與代理節點共享，導致信息不對稱的情況，這給經濟模型的資源預留和定價帶來了很大的挑戰。一般情況下，接入點的收益會隨著資源預留量的增大而增大，因此，為增加自身利益，接入點會有夸大用戶資源需求的傾向，造成代理資源預留過量。借鑒合同理論，為了激勵接入點共享可信的資源需求信息，代理可制定合同條款，額外收取資源保留費用，讓接入點分擔一些超額預留的風險成本。

（3）用戶多樣性

MEC系統中有很多種用戶，根據不同的服務需求，有些選擇注冊成為合同用戶，有些是隨機用戶。例如，在健康監測中，由于終端設備位置相對固定，注冊成為合同用戶是比較好的選擇；而對一些移動性比較高的設備，由于服務需求是短暫的，適合成為隨機用戶。不同的用戶需要繳納不同的費用，享受不一樣的服務，為此需要根據用戶類型制定不同的資源分配和定價策略。

表2 基于經濟分析的資源分配和定價方法比較及使用場景與局限性

（4）5G異構網

在5G異構網絡中，小型基站大規模高度密集，資源常常被共享分配給不同的網絡層，干擾也來自不同層，使得在不同網絡層之間進行經濟分析變得十分困難，因此，5G異構網絡需要比傳統網絡更加靈活高效的資源分配方式。此外，將MEC和網絡切片融合，滿足更多用戶個性化需求是未來5G中廣泛的服務模式[67]。隨著MEC的引入，資源分配和定價面臨新的挑戰，此時資源不僅有無線資源，還有計算資源和存儲資源。在保持所需要的QoE水平的同時優化系統資源利用率是一項重大挑戰，VM的引入將資源捆綁銷售，制定組合資源價格策略是實現這一目標的關鍵。一般情況下，采用VM機制解決組合資源分配問題可以分解為多個決策過程：給用戶分配哪些資源，每種資源分配多少，以及這些資源的最佳價格。在網絡切片運行時，為了能夠滿足用戶的動態需求，提供定制化服務，應設計一種自適應VM算法，按需調整資源的分配和定價。

6 結束語

本文主要從MEC的基本概念、參考架構、優點、資源分配與定價方法以及存在問題和挑戰等方面進行了系統性介紹，首先，介紹了MEC的基本概念和MEC的參考框架，對MEC的優點以及資源分配問題進行歸納并闡述；然后，著重從技術和經濟兩個層面對現有的資源分配策略和定價方法進行歸納總結，并討論了不同方案的缺點；最后，對MEC資源分配中現存的幾個尚待解決的問題做了進一步分析，并對相應的解決方向做了簡要的展望。

[1] IMT-2020(5G)推進組. 5G愿景與需求白皮書V1.0[R]. 2014.

IMT-2020. 5G Vision and demand white paper V1.0[R]. 2014.

[2] LIN J, YU W, ZHANG N, et al. A survey on Internet of things: architecture, enabling technologies, security and privacy, and applications[J]. IEEE Internet of Things Journal, 2017, 4(5): 1125-1142.

[3] MACH P, BECVAR Z. Mobile edge computing: a survey on architecture and computation offloading[J]. IEEE Communications Surveys & Tutorials, 2017, 19(3): 1628-1656.

[4] 張建敏, 謝偉良, 楊峰義, 等. 移動邊緣計算技術及其本地分流方案[J]. 電信科學, 2016, 32(7): 132-139.

ZHANG J M, XIE W L, YANG F Y, et al. Mobile edge computing and application in traffic offloading[J]. Telecommunications Science, 2016, 32(7): 132-139.

[5] 李子姝, 謝人超, 孫禮, 等. 移動邊緣計算綜述[J]. 電信科學, 2018, 34(1): 87-101.

LI Z S, XIE R C, SUN L, et al. A survey of mobile edge computing[J]. Telecommunications Science, 2018, 34(1): 87-101.

[6] MAO Y Y, YOU C S, ZHANG J, et al. A survey on mobile edge computing: the communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, 19(4): 2322-2358.

[7] 施巍松, 張星洲, 王一帆, 等. 邊緣計算: 現狀與展望[J]. 計算機研究與發展, 2019, 56(1): 69-89.

SHI W S, ZHANG X Z, WANG Y F, et al. Edge computing: state-of-the-art and future directions[J]. Journal of Computer Research and Development, 2019, 56(1): 69-89.

[8] ISLAM A, DEBNATH A, GHOSE M, et al. A survey on task offloading in multi-access edge computing[J]. Journal of Systems Architecture, 2021, 118: 102225.

[9] KE H C, WANG J, DENG L Y, et al. Deep reinforcement learning-based adaptive computation offloading for MEC in heterogeneous vehicular networks[J]. IEEE Transactions on Vehicular Technology, 2020, 69(7): 7916-7929.

[10] 夏士超, 姚枝秀, 鮮永菊, 等. 移動邊緣計算中分布式異構任務卸載算法[J]. 電子與信息學報, 2020, 42(12): 2891-2898.

XIA S C, YAO Z X, XIAN Y J, et al. A distributed heterogeneous task offloading methodology for mobile edge computing[J]. Journal of Electronics & Information Technology, 2020, 42(12): 2891-2898.

[11] PATEL M, NAUGHTON B, at al. Mobile-edge computing-introductory technical white paper[R]. European Telecommunications Standards Institute, 2015.

[12] 李邱蘋, 趙軍輝, 貢毅. 移動邊緣計算中的計算卸載和資源管理方案[J]. 電信科學, 2019, 35(3): 36-46.

LI Q P, ZHAO J H, GONG Y. Computation offloading and resource management scheme in mobile edge computing[J]. Telecommunications Science, 2019, 35(3): 36-46.

[13] LIU L, CHEN C, PEI Q Q, et al. Vehicular edge computing and networking: a survey[J]. Mobile Networks and Applications, 2021, 26(3): 1145-1168.

[14] 郭延超, 高嶺, 王海, 等. 移動邊緣計算中基于內容動態刷新的能耗優化[J]. 計算機研究與發展, 2018, 55(3): 563-571.

GUO Y C, GAO L, WANG H, et al. Power optimization based on dynamic content refresh in mobile edge computing[J]. Journal of Computer Research and Development, 2018, 55(3): 563-571.

[15] MAO Y Y, ZHANG J, LETAIEF K B. Dynamic computation offloading for mobile-edge computing with energy harvesting devices[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12): 3590-3605.

[16] LIU J, MAO Y Y, ZHANG J, et al. Delay-optimal computation task scheduling for mobile-edge computing systems[C]//2016 IEEE International Symposium on Information Theory (ISIT), 2016: 1451-1455.

[17] MELENDEZ S, MCGARRY M P. Computation offloading decisions for reducing completion time[C]//Proceedings of 2017 14th IEEE Annual Consumer Communications & Networking Conference. Piscataway: IEEE Press, 2017: 160-164.

[18] 任品毅, 許茜. 基于移動邊緣計算的時延能耗最小化安全傳輸[J]. 通信學報, 2020, 41(11): 52-63.

REN P Y, XU Q. Delay and energy minimization for MEC-based secure communication[J]. Journal on Communications, 2020, 41(11): 52-63.

[19] YANG S R, TSENG Y J, HUANG C C, et al. Multi-access edge computing enhanced video streaming: proof-of-concept implementation and prediction/QoE models[J]. IEEE Transactions on Vehicular Technology, 2019, 68(2): 1888-1902.

[20] 馬惠榮, 陳旭, 周知, 等. 綠色能源驅動的移動邊緣計算動態任務卸載[J]. 計算機研究與發展, 2020, 57(9): 1823-1838.

MA H R, CHEN X, ZHOU Z, et al. Dynamic task offloading for mobile edge computing with green energy[J]. Journal of Computer Research and Development, 2020, 57(9): 1823-1838.

[21] LI G S, WANG J P, WU J H, et al. Data processing delay optimization in mobile edge computing[J]. Wireless Communications and Mobile Computing, 2018, 2018: 6897523.

[22] ZHANG W X, DU Y W. Deep reinforcement learning-based optimization of lightweight task offloading for multi-user mobile computing[J]. Journal of Measurement Science and Instrumentation, 2020: 1-14.

[23] 李振江, 張幸林. 減少核心網擁塞的邊緣計算資源分配和卸載決策[J]. 計算機科學, 2021, 48(3): 281-288.

LI Z J, ZHANG X L. Resource allocation and offloading decision of edge computing for reducing core network congestion[J]. Computer Science, 2021, 48(3): 281-288.

[24] VIOLA R, MARTIN A, ZORRILLA M, et al. MEC proxy for efficient cache and reliable multi-CDN video distribution[C]// Proceedings of 2018 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting. Piscataway: IEEE Press, 2018: 1-7.

[25] FAN W H, HAN J T, YAO L, et al. Latency-energy optimization for joint Wi-Fi and cellular offloading in mobile edge computing networks[J]. Computer Networks, 2020, 181: 107570.

[26] 邸劍, 薛林, 蔡震. 基于網聯車多跳傳輸的移動邊緣計算卸載[J]. 計算機應用研究, 2021, 38(4): 1145-1148, 1157.

DI J, XUE L, CAI Z. Mobile edge computing offloading based on multi-hop transmission of connected vehicles[J]. Application Research of Computers, 2021, 38(4): 1145-1148, 1157.

[27] ALGHAMDI I, ANAGNOSTOPOULOS C, PEZAROS D P. Data quality-aware task offloading in mobile edge computing: an optimal stopping theory approach[J]. Future Generation Computer Systems, 2021(117): 462-479.

[28] 董思岐, 李海龍, 屈毓錛, 等. 面向優先級用戶的移動邊緣計算任務調度策略[J]. 計算機應用研究, 2020, 37(9): 2701-2705.

DONG S Q, LI H L, QU Y B, et al. Task scheduling policy for mobile edge computing with user priority[J]. Application Research of Computers, 2020, 37(9): 2701-2705.

[29] TAO L W, ZHAO M X, HUI W Y, et al. Collaborative offloading for UAV-enabled time-sensitive MEC networks[J]. EURASIP Journal on Wireless Communications and Networking, 2021, 2021(1): 1-17.

[30] MEHRABI A, SIEKKINEN M, YL?-J??SKI A. Energy-aware QoE and backhaul traffic optimization in green edge adaptive mobile video streaming[J]. IEEE Transactions on Green Communications and Networking, 2019, 3(3): 828-839.

[31] ZHAO R, WANG X J, XIA J J, et al. Deep reinforcement learning based mobile edge computing for intelligent Internet of Things[J]. Physical Communication, 2020(43): 101184.

[32] WEI Z C, PAN J, LYU Z W, et al. An offloading strategy with soft time windows in mobile edge computing[J]. Computer Communications, 2020(164): 42-49.

[33] LUONG N C, WANG P, NIYATO D, et al. Resource management in cloud networking using economic analysis and pricing models: a survey[J]. IEEE Communications Surveys & Tutorials, 2017, 19(2): 954-1001.

[34] LI L H, LV T J, HUANG P M, et al. Cost optimization of partial computation offloading and pricing in vehicular networks[J]. Journal of Signal Processing Systems, 2020, 92(12): 1421-1435.

[35] 吳雨芯, 蔡婷, 張大斌. 移動邊緣計算中基于Stackelberg博弈的算力交易與定價[J]. 計算機應用, 2020, 40(9): 2683-2690.

WU Y X, CAI T, ZHANG D B. Computing power trading and pricing in mobile edge computing based on Stackelberg game[J]. Journal of Computer Applications, 2020, 40(9): 2683-2690.

[36] XIONG Z H, FENG S H, NIYATO D, et al. Optimal pricing-based edge computing resource management in mobile blockchain[C]//Proceedings of 2018 IEEE International Conference on Communications. Piscataway: IEEE Press, 2018: 1-6.

[37] LIU M Y, LIU Y. Price-based distributed offloading for mobile-edge computing with computation capacity constraints[J]. IEEE Wireless Communications Letters, 2018, 7(3): 420-423.

[38] 劉荊欣, 王妍, 韓笑, 等. 基于Stackelberg博弈的邊緣云資源定價機制研究[J]. 計算機科學與探索, 2020: 1-12.

LIU J X, WANG Y, HAN X, et al. Research on edge cloud resource pricing mechanism based on Stackelberg game[J]. Journal of Frontiers of Computer Science and Technology, 2020: 1-12.

[39] NGUYEN D T, LE L B, BHARGAVA V. Price-based resource allocation for edge computing: a market equilibrium approach[J]. IEEE Transactions on Cloud Computing, 2021, 9(1): 302-317.

[40] LI L X, QUEK T Q S, REN J, et al. An incentive-aware job offloading control framework for multi-access edge computing[J]. IEEE Transactions on Mobile Computing, 2021, 20(1): 63-75.

[41] LI L X, SIEW M, QUEK T Q S, et al. Learning-based priority pricing for job offloading in mobile edge computing[J]. ArXiv Preprint ArXiv, 2019: 1-25.

[42] ALSKAIF T, GUERRERO ZAPATA M, BELLALTA B. Game theory for energy efficiency in Wireless Sensor Networks: latest trends[J]. Journal of Network and Computer Applications, 2015(54): 33-61.

[43] 張艮山, 劉旭寧. 資源受限移動邊緣計算任務拆分卸載調度決策[J]. 計算機應用與軟件, 2019, 36(10): 268-273, 278.

ZHANG G S, LIU X N. Tasks split and offloading scheduling decision in mobile edge computing with limited resources[J]. Computer Applications and Software, 2019, 36(10): 268-273, 278.

[44] LI Y H, JIANG C S. Distributed task offloading strategy to low load base stations in mobile edge computing environment[J]. Computer Communications, 2020, 164: 240-248.

[45] ZHANG J, XIA W W, HUANG B N, et al. Joint resource allocation scheme based on evolutionary game for mobile edge computing[J]. Journal of Southeast University (English Edition), 2018, 34(4): 415-422.

[46] 王藝潔, 凡佳飛, 王陳宇. 云邊環境下基于博弈論的兩階段任務遷移策略[J]. 計算機應用, 2021, 41(5): 1392-1398.

WANG Y J, FAN J F, WANG C Y. Two-stage task offloading strategy based on game theory in cloud-edge environment[J]. Journal of Computer Applications, 2021, 41(5): 1392-1398.

[47] 龍隆, 劉子辰, 石晶林, 等. 移動邊緣計算中計算卸載與資源分配的聯合優化策略[J]. 高技術通訊, 2020, 30(8): 765-773.

LONG L, LIU Z C, SHI J L, et al. Joint optimization strategy of computation offloading and resource allocation in mobile edge computing[J]. Chinese High Technology Letters, 2020, 30(8): 765-773.

[48] LEITMANN G. Multicriteria Decision Making and Differential Games[M]. Boston, MA: Springer US, 1976.

[49] JIE Y M, TANG X Y, CHOO K K R, et al. Online task scheduling for edge computing based on repeated Stackelberg game[J]. Journal of Parallel and Distributed Computing, 2018, 122: 159-172.

[50] LI G S, ZHANG Y, WANG M L, et al. Resource management framework based on the stackelberg game in vehicular edge computing[J]. Complexity, 2020: 8936064.

[51] CHEN Y F, LI Z Y, YANG B, et al. A Stackelberg game approach to multiple resources allocation and pricing in mobile edge computing[J]. Future Generation Computer Systems, 2020, 108: 273-287.

[52] HUANG X W, ZHANG W J, YANG J M, et al. Market-based dynamic resource allocation in Mobile Edge Computing systems with multi-server and multi-user[J]. Computer Communications, 2021, 165: 43-52.

[53] CUI Y Y, ZHANG D G, ZHANG T, et al. Novel method of mobile edge computation offloading based on evolutionary game strategy for IoT devices[J]. AEU - International Journal of Electronics and Communications, 2020, 118: 153134.

[54] DONG C W, WEN W S. Joint optimization for task offloading in edge computing: an evolutionary game approach[J]. Sensors (Basel, Switzerland), 2019, 19(3): 740.

[55] DONG Y F, PENG Y F, GUO X P, et al. Offloading decision algorithm using evolutionary game for mobile edge computing[C]//Proceedings of 2019 IEEE 2nd International Conference on Information Communication and Signal Processing. Piscataway: IEEE Press, 2019: 210-214.

[56] LEI Y, ZHENG W B, MA Y, et al. A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment[C]//Collaborative Computing: Networking, Applications and Worksharing, 2021: 255-270.

[57] GAO H, LI W C, BANEZ R A, et al. Mean field evolutionary dynamics in ultra dense mobile edge computing systems[C]//Proceedings of 2019 IEEE Global Communications Conference. Piscataway: IEEE Press, 2019: 1-6.

[58] 林艷, 閆帥, 張一晉, 等. 基于交通流量預測的車聯網雙邊拍賣邊緣計算遷移方案[J]. 通信學報, 2020, 41(12): 205-214.

LIN Y, YAN S, ZHANG Y J, et al. Flow-of-traffic prediction program based mobile edge computing for Internet of vehicles using double auction[J]. Journal on Communications, 2020, 41(12): 205-214.

[59] SUN W, LIU J J, YUE Y L, et al. Double auction-based resource allocation for mobile edge computing in industrial Internet of Things[J]. IEEE Transactions on Industrial Informatics, 2018, 14(10): 4692-4701.

[60] LIN J, HUANG L, ZHANG H L, et al. A novel Latency-Guaranteed based Resource Double Auction for market-oriented edge computing[J]. Computer Networks, 2021, 189: 107873.

[61] LI Q Y, YAO H P, MAI T L, et al. Reinforcement-learning- and belief-learning-based double auction mechanism for edge computing resource allocation[J]. IEEE Internet of Things Journal, 2020, 7(7): 5976-5985.

[62] MASHHADI F, MONROY S A S, BOZORGCHENANI A, et al. Optimal auction for delay and energy constrained task offloading in mobile edge computing[J]. Computer Networks, 2020, 183: 107527.

[63] LUONG N C, XIONG Z H, WANG P, et al. Optimal auction for edge computing resource management in mobile blockchain networks: a deep learning approach[C]//Proceedings of 2018 IEEE International Conference on Communications. Piscataway: IEEE Press, 2018: 1-6.

[64] CAO X Y, ZHANG J S, POOR H V. Mobile edge caching: an optimal auction approach[J]. ArXiv, 2017: 1-14.

[65] PARKES D C. Iterative combinatorial auctions[M]. Cambridge: MIT press, 2005: 41-78.

[66] 張海波, 欒秋季, 朱江, 等. 基于移動邊緣計算的V2X任務卸載方案[J]. 電子與信息學報, 2018, 40(11): 2736-2743.

ZHANG H B, LUAN Q J, ZHU J, et al. V2X task offloading scheme based on mobile edge computing[J]. Journal of Electronics & Information Technology, 2018, 40(11): 2736-2743.

[67] 項弘禹, 肖揚文, 張賢, 等. 5G邊緣計算和網絡切片技術[J]. 電信科學, 2017, 33(6): 54-63.

XIANG H Y, XIAO Y W, ZHANG X, et al. Edge computing and network slicing technology in 5G[J]. Telecommunications Science, 2017, 33(6): 54-63.

Review on resources allocation and pricing methods in mobile edge computing

ZOU Lushan1,2, HUANG Xiaowen1,3, YANG Jingmin1,4, ZHENG Yifeng1,2, ZHANG Guanglin3, ZHANG Wenjie1,2

1. School of Computer Sciences, Minnan Normal University, Zhangzhou 363000, China 2. Key Laboratory of Data Science and Intelligence Application, Fujian Province University, Minnan Normal University, Zhangzhou 363000, China 3. School of Information Science and Technology, Donghua University, Shanghai 200051, China 4. Department of Electronic Engineering, Taipei University of Technology, Taipei 106344, China

Mobile edge computing (MEC) has ability ofreducing network load and transmission delay, and improving user service experience by offloading computing tasks to edge servers. Therefore, MEC has attracted extensive attention and become a key technology of 5G. As one of the main issues of MEC, resource allocation has great significance in improving energy efficiency, shortening task delay and reducing cost. Firstly, the basic concept, reference architecture and technical advantages of MEC were introduced. Then, the up-to-date achievements of resources allocation and pricing strategieswere summarized from both technical and economic aspects. Finally, some possible problems and challenges associated with resource allocation and pricing strategies in MEC were discussed, and the enabling methods to address these challenges were also proposed to provide reference for subsequent research and development.

mobile edge computing, resource allocation, pricing method, economic model, game theory

TP393

A

10.11959/j.issn.1000?0801.2022022

2021?09?07；

2022?01?26

張文杰，zhan0300@ntu.edu.sg

國家自然科學基金資助項目（No.62141602）；福建省自然科學基金資助項目（No.2021J011002，No.2021J011004，No.2020J01813）

s: The National Natural Science Foundation of China (No.62141602), The Natural Science Foundation of Fujian Province of China (No.2021J011002, No.2021J011004, No.2020J01813)

鄒璐珊（1998? ），女，閩南師范大學計算機學院碩士生，主要研究方向為移動邊緣計算。

黃曉雯（1995? ），女，東華大學信息科學與技術學院博士生，主要研究方向為移動邊緣計算、資源分配問題等。

楊敬民（1980? ），男，臺北科技大學電子工程系博士生，閩南師范大學計算機學院副教授，主要研究方向為軟件定義網絡、計算機網絡體系結構和無線通信。

鄭藝峰（1980? ），博士，閩南師范大學計算機學院講師，主要研究方向為移動邊緣計算和深度強化學習等。

張光林（1981? ），男，博士，東華大學信息科學與技術學院教授、博士生導師，主要研究方向為5G車聯網、智能物聯網、移動邊緣計算和深度強化學習等。

張文杰（1984? ），男，博士，閩南師范大學計算機學院教授，主要研究方向為物聯網、移動邊緣計算和深度強化學習等。